Berdasarkan Fitur Bentuk Berbasis Web Menggunakan Metode Gradien Vektor Flow Snake

(1)

Copyright © 2017

_²

ILKOM Jurnal Ilmiah -- All rights reserved |

49

APLIKASI PENCARIAN GAMBAR DENGAN KONTEN

BERDASARKAN FITUR BENTUK BERBASIS WEB MENGGUNAKAN

METODE GRADIEN VEKTOR FLOW SNAKE

Iradatil Wahdaniah

1

_{, Harlinda L.}

2

1_{iradatli_wahdaniah@gmail.com,}2_{hj.linda@yahoo.com}

Teknik Informatika, Universitas Muslim Indonesia Makassar

Abstrak

Proses pencarian berupa file digital merupakan hal sangat penting dalam menggunakan teknologi, sehingga ketika seseorang ingin menemukan file yang terdapat pada komputer namun tidak dapat diketahui lokasi penyimpanannya sehingga sulit ditemukan, terlebih lagi teknik pencarian yang disediakan saat ini, terbatas pada teks, dimana keyword yang dapat diberikan hanya sebatas teks berupa nama file dari gambar tersebut, dengan adanya information retrieval, diharapkan dapat membantu proses pencarian menjadi lebih spesifik ke arah gambar, dimana proses pencarian gambar dari gambar yang dicari, dengan bantuan metode content based image retrieval (CBIR) diharapkan mampu melakukan template maching sehingga mudah dikenali objek yang sama, proses pengenalan objek menggunakan Gradien Vektor Flow Snake (GVFS) sebagai alat untuk mengenali kurva yang berupa objek dari sebuah gambar. Dengan adanya aplikasi ini diharapkan mampu mengurangi kesulitan dalam melakukan proses pencarian untuk sebuah gambar, hanya dengan memasukkan gambar yang berisi gambar untuk dijadikan sebagai objek pengenal untuk proses pencarian gambar yang memiliki objek yang sama

Kata kunci: GVFS ,CBIR, Image, pencarian.

1. Pendahuluan

Teknik pencarian berbasis text menjadi tidak praktis karena dua alasan: ukuran basis data citra yang besar, dan subyektif dalam mengartikan citra dengan teks. Untuk menghindari teknik manual ini, pendekatan alternatif yaitu content based image retrieval (CBIR) dikerjakan. Prinsip dasar dari teknik CBIR ini adalah penggunaan algoritma analisa citra untuk mengekstrak secara otomatis sejumlah atribut citra suatu waktu pada database citra. Atribut ini dapat memasukkan nilai numerik terhadap warna, tekstur, dan shape. Disebabkan oleh kompleksitas informasi citra, user tidak dapat berharap mendapatkan kecocokan dengan pasti diantara query dan citra yang akan ditampilkan kembali dari database.

Content Based Image Retrieval (CBIR) yang merupakan teknik pencarian image yangberbasis content dan berhubungan dengan karakteristik dari sekumpulan image. Sedangkan Gradient Vector Flow (GVF) snake merupakan metode yang digunakan untuk mengetahui batasan dari suatu objek yang dihitung secara difusi dari fradient vector berupa nilai biner atau grey-level yang diperoleh dari suatu image.

Dengan menggunakan metode GVFS dan teknik CBIR dalam implementasi sebuah aplikasi pencarian dapat memudahkan dan memperluas informasi pencarian baik berupa teks dan image pada sebuah media penyimpan digital berdasarkan pada informasi image dari image mirip dengan kriteria image tertentu yang diinginkan dari sekumpulan image yang ada[1]. Karakteristik atau kriteria dari image yang dihasilkan berupa bentuk, warna, dan tekstur yang sesuai dengan image yang diinginkan.

Teknik yang akan dilakukan yaitu melakukan pencarian image pada media penyimpanan yang besar dengan semua jenis image kecuali yang spesifik seperti wajah[2]. System ini akan menggunakan teknik CBIR dengan metode GVFS dengan aplikasi Web.

2. Meode

CBIR (Content-Based Image Retrieval) merupakan suatu teknik pencarian suatu data gambar yang diinginkan oleh pengguna terhadap beberapa data gambar, dalam skala yang besar. User terlebih dahulu memasukkan formasi query yang berupa gambar kemudian query tersebut di ekstraksi sehingga menghasilkan vektor ciri (ciri khusus suatu gambar), begitu pula data-data gambar yang tersimpan dalam database akan mengalami struktur yang sama seperti formasi query sehingga

(2)

Copyright © 2017

_²

ILKOM Jurnal Ilmiah -- All rights reserved |

50 ditemukan vektor ciri kemudian akan dibandingkan satu sama lain untuk mencari kesamaannya,gambaran CBIR dapat dilihat pada gambar 1 :

Gambar 1. Gambaran Umum CBIR .

Setelah proses pembandingan tersebut, maka akan terpilih beberapa gambar yang memiliki nilai-nilai vektor yang sama atau hampir sama kemudian dilakukan indexing dan retrieval data yang telah terpilih tadi sehingga ditemukan urutan gambar yang (dalam database) yang memiliki kesamaan dengan formasi gambar (sesuai keinginan user).

2.1. GVF Snake

Snake atau active contour adalah kurva yang didefinisikan dalam domain citra, bisa bergerak karena pengaruh gaya internal dari kurva itu sendiri dan gaya eksternal yang dihitung dari data citra. Gaya internal dan eksternal dibuat sedemikian rupa sehingga snake akan menuju ke batas suatu objek atau fitur lain yang diinginkan. Snake digunakan secara luas dalam banyak aplikasi termasuk deteksi tepi, pemodelan bentuk, segmentasi, dan motion tracking[3]. Snake bisa didefinisikan sebagai

NXUYD [ V >[ V \ V @ V/> @ \DQJ EHUJHUDN GDODP GRPDLQ VSDVLDO $JDU VQDNH PHQMDGL GLQDPLV [

dibuat sebagai fungsi waktu [1].

t V W .[´ V W ± [´´ V W -Ï'_Øëç (1)

Di mana :

._GDQ _{parameter pembobotan yang mengontrol tegangan dan kekakuan.}

VQDNH [ŽGDQ [ŽŽ: turunan kedua dan keempat dari x terhadap s, sedangkan t : gaya eksternal yang didapatkan dari citra.

Gradient Vector Flow (GVF) adalah gaya eksternal snake yang diperkenalkan oleh Chenyang Xu dan Jerry L. Prince. Dengan mengganti gaya eksternal pada persamaan (9) dengan medan GVF v(x), terbentuklah persamaan kurva parametrik yang dinamakan GFV snake.

2.2. Image

Pengolahan citra (image) adalah pemrosesan citra, khususnya menggunakan komputer, menjadi citra yang kualitasnya lebih baik[4]. Sebagai contoh, citra pemandangan yang tampak agak gelap, lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga lebih terang dan tajam.

2.3. Pencarian

Algoritma pencarian (searching algorithm) adalah algoritma yang menerima sebuah argumen kunci dan dengan langkah-langkah tertentu akan mencari rekaman dengan kunci tersebut. Setelah proses pencarian dilaksanakan, akan diperoleh salah satu dari dua kemungkinan, yaitu data yang dicari ditemukan (successful) atau tidak ditemukan (unsuccessful). Metode pencarian data dapat dilakukan dengan dua cara yaitu pencarian internal (internal searching) dan pencarian eksternal (external searching). Pada pencarian internal, semua rekaman yang diketahui berada dalam pengingat komputer sedangakan pada pencarian eksternal, tidak semua rekaman yang diketahui berada dalam pengingat komputer, tetapi ada sejumlah rekaman yang tersimpan dalam penyimpan luar misalnya pita atau cakram magnetis.80 Selain itu metode pencarian data juga dapat dikelompokka menjadi pencarian statis (static searching) dan pencarian dinamis (dynamic searching)

(3)

Copyright © 2017

_²

ILKOM Jurnal Ilmiah -- All rights reserved |

51 [5]. Pada pencarian statis, banyaknya rekaman yang diketahui dianggap tetap, pada pencarian dinamis, banyaknya rekaman yang diketahui bisa berubah-ubah yang disebabkan oleh penambahan atau penghapusan suatu rekaman. Ada dua macam teknik pencarian yaitu pencarian sekuensial dan pencarian biner. Perbedaan dari dua teknik ini terletak pada keadaan data. Pencarian sekuensial digunakan apabila data dalam keadaan acak atau tidak terurut. Sebaliknya, pencarian biner digunakan pada data yang sudah dalam keadaan urut.

Konversi Citra Berwana Menjadi Citra Keabuan. Persamaan yang digunakan untuk mengkonversi citra berwarna menjadi citra skala keabuan adalah sebagai berikut [6] :

Gray = ( R + G + B ) / 3 (2)

Konversi informasi suatu citra warna ke skala keabuan dapat juga dilakukan dengan cara member bobot pada setiap elemen warna (Achmad: 2005), sehingga persamaan diatas dimodifikasi menjadi :

Gray =wRR + wGG + wBB (3)

Dengan wR, wG, dan wB masing-masing adalah bobot untuk elemen warna merah, hijau dan biru. NTSC (National Television System Committee) mendefinisikan bobot untuk konversi citra warna ke skala keabuan adalah sebagai berikut [7] :

wR = 0,299 wG = 0,587 wB = 0,114

Untuk citra berwarna nilai dari suatu pixel misal adalah X, maka untuk mendapat nilai Red, Green, Blue dapat menggunakan rumus :

Blue = X / 216

Green = (X ± Blue * 216) / 28 Red = X ± Blue * 216 ± Green * 28

3. Hasil dan Pembahasan

3.1 Diagram

Use Case

Berdasarkan identifikasi aktor dan identifikasi diagram

use case

_{maka aktornya terdiri dari}

Admin, pengguna yang mempunyai

use case

_{nya. use case scenario registrasi image menggambarkan}

apa saja kegiatan actor yaitu admin dan umpan balik dari system serta menampilkan hasil akhir dari

sistem , pencarian dengan image menampilkan image yang sama dengan objek yang diberikan pada

gambar, dan

Use Case scenario

Pencarian Dengan Informasi

berisi informasi bentuk perlakuan actor

admin terhadap sistem untuk mengatur data informasi dan bentuk respon balik dari sistem dan Use

Case diagram dapat dilihat pada gambar 2 :

Gambar 2. Use case diagram

3.2. Implementasi Metode Gradien Vektor

Berikut ini merupakan tahapan standar untuk perhitungan Gradient Vektor pada aplikasi ini. Algoritma untuk komputasi fitur bentuk image berdasarkan sebagai berikut :

1. Melakukan edge map f (x,y) yang diambil dari image I(x,y) dengan membaca image dan mengkonvertnyake gray scale atau nilai biner.

Masukkan Gambar yang akan dijadikan sebagai Citra acuan. Gambar 3 dijadikan sebagai contoh :

(4)

Copyright © 2017

_²

ILKOM Jurnal Ilmiah -- All rights reserved |

52 Gambar 3. Implementasi gambar

Kemudian gambar 4 akan di converter ke Gray scale atau nilai biner :

Gambar 4. Converter ke Grayscale

- gradient dari edge map_f mempunyai nilai vector ke arah tepi.

- vector umumnya mempunyai jarak besar hanya yang dekat dengan tepi.

- pada region yang homogen dimana I(x,y) hampir konstan ,_f hampir 0. Ketika gradient dari bagian tepi digunakan pada eksternal force maka :

- Snake diinisialisasi sampai tepi yang akan terkumpul dengan konfigurasi terdekat dengan tepi yang mana memerlukan properti yang tertinggi

- Jarak capture sangat kecil pada umumnya\

- Bagian yang homogen tidak ada pada eksternal force

2. Blur pada grey scale image menggunakan Gaussian filter dapat dilihat pada gambar 5.

Gambar 5.Image Grey Scale

(5)

Copyright © 2017

_²

ILKOM Jurnal Ilmiah -- All rights reserved |

53 Gambar 6. Image dengan Gradien Map

Dilakukan untuk vektor field v(x,y)=[u(x,y),v(x,y)] yang meminimalkan fungsional energy. Mencari GVF field menggunakan kalkulus dengan menggunakan persamaan Euler yang hasilnyadiinterpolasikan dari batasan region yang menggambarkan kompetisi diantara batasan vector

4. Filter bagian tepi yang yang tampak menggunakan ks, di mana s adalah standar deviasi dari GVF. (k ±nilaiyang digunakan adalah 2.5).

5. Kumpulan tepi pixel yang tampak memenuhi kondisi energi yang balance menghasilkan tepi image. Dengan bantuan nilai image biner akan membantu proses pendeksian tepi image. Hasil gambar ke biner dapat dilihat pada gambar 7.

Gambar 7. Image Deteksi Tepi

6. Kemudian dilakukan penyeleksian pada daftar gambar yang akan dicocokkan mulai dari langkah 1, kemudian akan dilakukan proses Euclidean Distance

7. Jarak Euclidean dapat dianggap sebagai jarak yang paling pendek antar dua poin, maka dari itu dalam penelitian ini digunakan fungsi jarak Euclidean dan pada dasarnya sama halnya dengan persamaan Pythagoras ketika digunakan di dalam dua dimensi. Secara matematis dapat dituliskan di dalam persamaan berikut :

d (i,j) L ¥T_Ü5FT_Ý5 6E T_Ü6ET_Ý66E_®E T_ÜãET_Ýã 6_[4]

keterangan :

d(i, j) = Nilai jarak xi = Nilai pada fitur 1 xj = Nilai pada fitur 2

Setelah kita mengkalkulasi perhitungan-perhitungan diatas, dalam penelitian ini diperlukan suatu inputan yang disebut dengan nilai Threshold, dimana nilai threshold ini yang bisa di inputkan mulai dari 0% sampai dengan 100%.

Berikut ini merupakan algoritma pencarian gambar menggunakan GVF Snake untuk melakukan pencocokan gambar.

(6)

_²

54 1. Untuk mendapatkan tepi image dari image awal dan image pembanding dibutuhkan beberapa

teknik citra. Teknik untuk membentuk tepi dibutuhkan pemisahan warna tepid an warna pada objek dengan menggunakan teknik histogram rgb.

2. Setelah menemukan teknik RGB, kemudian image di ubah ke hitam putih sehingga dapat diambil data warma image hasil gray Scale untuk di ubah kea rah nilai biner.

3. Setelah mendapatkan nilai biner yang terdiri dari nilai 0 dan 1, maka titik tepi objek sudah dapat ditemukan.

Gambar 8 berikut ini adalah contoh perubahan image berwarna menjadi image dengan nilai biner 0 dan 1.

Gambar 8. Image dengan nilai Biner 0 dan 1

4. Setelah mendapatkan nilai tersebut maka akn menjadi acuan dalam pembuatan nilai vector dari sebuah pixel gambar, untuk di implementasikan ke dalam proses perhitungan Euclidean Distance.

Euclidean Distance adalah metrika yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Euclidean distance menghitung akar dari kuadrat perbedaan 2 vektor (root of square differences between 2 vectors).

Berikut gambar 9 dan gambar 10 Terdapat 2 vektor ciri berikut:

Gambar 9 : Image A Gambar 10. Image B

A = >ráuáváw?

B = >yáxáuáFs_?

Berikut ini merupakan table perbandingan dimana data vector pada gambar A dan gambar B memiliki hasil perhitungan yang hampir sama sehingga dapat di masukkan kedalam daftar karantina kecocokan.

Tabel 1. Perbandingan nilai RGB image

Image A Image B X Y N1 N2 N3 X Y N1 N2 N3 0 359 19 79 15 0 701 20 79 14 0 360 15 77 10 0 702 19 80 14 0 374 18 78 24 1 583 182 80 23 0 375 18 78 24 1 584 185 80 27 0 376 20 77 24 1 585 201 77 24 0 377 18 75 22 1 586 18 105 24 0 378 19 73 23 1 587 89 73 23

(7)

_²

55 0 379 21 75 25 1 588 51 102 20 0 380 12 64 15 1 589 12 64 10 0 381 20 72 23 1 590 10 52 23 Keterangan :

X : merupakan huruf yang mewakili kurva untuk sumbu (x) pada vector image Y : merupakan huruf yang mewakili kurva untuk sumbu (y) pada vector image

N1-3 : merupakan inisialisasi nilai RGB sebuah image dimana setiap image yang telah ditentukan titik tepinya di nilai sebagai objek untuk kemudian di cocokkan dengan image yang lainnya.

3.3. Implementasi Antarmuka

Perancangan interface sistem dapat dilihat pada gambar 11 ini merupakan tampilan halaman Home setelah Mengakses aplikasi User akan menemukan halaman utama / Home yang menyediakan sub menu pilihan.

Gambar 11. Interface Halaman Home

Image Histogram

Halaman Sub menu pencarian image berdasarkan Image menyediakan form penginputan image dan gallery untuk menampilkan gambar yang dicari dengan menampilkan tab untuk Histogram.

Gambar 12Interface Halaman Pencarian Image dengan Image Tab Histogram

4. Kesimpulan dan Saran

Hasil penelitian dan analisis sistem yang telah dilalui penulis, menghasilkan kesimpulan, proses pencarian melalui informasi yang terdapat pada gambar lebih mudah dan efisien, pengambilan informasi pada image awal dan image data dilakukan menggunakan metode CBIR dan untuk mengenali pola di gunakan GVFS. Untuk proses pencocokan pola image awal dengan data image yang terdapat pada kumpulan data image database.

Daftar Pustaka

[1] Ahmad, U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Jogjakarta: Penerbit Graha Ilmu

(8)

_²

56 [2] Ulinuha, Masy Ari, 2015, Segementasi Optic Disk pada Penderita Diabetic Retinopathy

Menggunakan GVF Snake, Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember Surabaya

[3] Hendra, Andi, Penerapan multi direction gradient vector flow (mdgvf) untuk segmentasi cortical bone pada citra medis dental panoramic radiographs,Jurusan Teknik Informatika, Institut Teknologi Sepuluh Nopember Kampus ITS, Sukolilo, Surabaya 60111

[4] Heranurweni, S, Pengenalan Wajah Menggunakan Learning Vector Quantization (LVQ),Jurusan Teknik Elektro Universitas Semarang.

[5] Pardede, Jasman, Implementasi Multithreading untuk meningkatkan kinerja information retrieval dengan menggunakan metode GVSM. Jurnal Sistem Komputer ± Vol. 4, No 1, Mei 2014, ISSN 2087-4685, e-ISSN : 2252-3456

[6] Basuki, Achmad., Jozua Palandi, Fatchurrochman. 2005. Pengolahan Citra Menggunakan Visual Basic. Graha Ilmu: Yogyakarta

[7] W, David Agustinus, Segmentasi Citra Medis Menggunakan Generalized Gradient Vector Flow Dan Growing Neural Gas, Teknik Informatika, Fakultas Teknologi Informasi, ITS